Mi teszi hasznossá egy robotot a valós világban, ahol rendetlenek a padlók, a feladatok változnak, és emberek mozognak ugyanabban a térben?
Ez a kérdés áll a fizikai mesterséges intelligencia középpontjában. Ez az a lépés, amikor a szoftver nem csak a képernyőken létezik tovább, hanem elkezdi kezelni a munkát gyárakban, raktárakban, kórházakban és más zsúfolt helyeken. Az üzleti érv mindössze egy dologra vezethető vissza: a rendszer képes újra és újra elvégezni egy feladatot kevesebb emberi segítséggel.
A fizikai MI azért terjed, mert illeszkedik egy szélesebb gazdasági mintázatba. A cégek a megtestesített intelligenciát az infrastruktúra alapvető rétegének tekintik, nem pedig egy szűk, egyetlen osztályhoz kötött kísérletnek. Piaci szempontból a területet potenciális 1,5 trillió dolláros lehetősékként határozták meg. Ez a méret számít, mert a széles körű felhasználásra utal, nem pedig egyetlen niche piacra.
A leginkább látható felhasználási eseteket könnyű felsorolni. A gyártás szoftvervezérelt okos gyárakat használ. A logisztika autonóm anyagmozgatást alkalmaz. Az egészségügy robotokat vet be sebészeti és segítő munkákra. A építőipar és a vendéglátás gépeket használ olyan munkákra, amelyek ismétlődők, időigényesek, és gyakran függnek a fizikai jelenléttől.
Jó módja annak, hogy megértsük az értéket, ha azt kérdezzük, milyen jól teljesít a rendszer strukturálatlan környezetben. A klasszikus automatizálás gyakran akkor működik jól, amikor a világ változatlan marad. Sok valódi környezetben azonban a merev szabályok összeomlanak. Egy gép követhet egy rögzített útvonalat, de egy elzárt folyosó, egy új tárgy vagy egy emberi munkás megállíthatja a folyamatot.
Itt változtat a képen a fizikai MI. Szimulációban tanult modellek viselkedést tanulhatnak mielőtt belépnek a helyszínre. Amikor ugyanazt a rendszert összekötik a valós idejű visszajelzésekkel és ismételt szimulációs hurkokkal, a feladat sikeressége emelkedhet egy durva plafontól, amely közel van a 40 százalékos értékhez, körülbelül 80 százalékra, majd egy teljes veremrendszerben elérheti a 95 százalékot. Az üzleti üzenet egyszerű. Az érték akkor jelenik meg, amikor a gép képes kezelni a legtöbb hétköznapi esetet, és csak ritka kivételeket hagy az emberekre.
A megtakarítás több forrásból származik. A leállások csökkennek, mert a rendszer reagálni tud ahelyett, hogy várna egy újraprogramozási ciklusra. Az emberi beavatkozás csökken, mert kevesebb szélsőséges eset állítja le a munkafolyamatot. A mérnöki erőfeszítés szintén csökken, mert a csapatoknak nem kell minden ágat kézzel kódolniuk minden feladatnál. Régebbi automatizálási programokban ez a kézi szkriptmunka ezer órákat is igénybe vehet.
Egy raktár adja a legvilágosabb példát. Hagyományos automatizált vezetett járművek (AGV-k) gyakran függenek rögzített sínektől vagy jelölt útvonalaktól. Jól mozognak ezen határokon belül, de nem gondolják át újra az útvonalat, ha az változik. Ha a tervrajz megváltozik, a rendszer lassan követi azt.
Az autonóm mobilrobotok (AMR-ek) más logikát követnek. AI-t használnak az útvonalak újraszámítására, amikor valami elzárja az utat. Egy doboz a folyosón, egy raklap rossz helyen, vagy egy ember áthaladása a padlón nem okozza ugyanazt a teljes megállást. A robot képes kerülni a gátat és folytatni a mozgást.
Ez a rugalmasság az oka annak, hogy a fizikai MI kereskedelmi szempontból relevánsabbá válik a logisztikában és a raktározásban. Az érték nemcsak a sebesség. Az képesség arra, hogy skálázódjon a csúcskereslet alatt anélkül, hogy újra fel kellene építeni a helyszínt egy rögzített gépi útvonal körül. A működtetők számára ez azt jelenti, hogy a fizikai rendszer alkalmazkodhat a munkához ahelyett, hogy rákényszerítené a munkát, hogy alkalmazkodjon a rendszerhez.
Ugyanez a mintázat mutatkozik meg abban, ahogy ezek a rendszerek értelmezik az utasításokat. Régebbi gépek gyakran explicit programozást igényelnek minden egyes feladathoz. Újabb fizikai MI rendszerek nyelv-művelet modelleket használhatnak, amelyek összekötik a nyelvet, a észlelést és a mozgást. Egyszerűen fogalmazva, a robot képes értelmezni egy természetesebb parancsot, és akciós tervvé alakítani azt új szkript nélkül minden egyes munkához.
Ez fontos üzleti környezetben, mert a munka gyorsabban változik, mint a kód. Egy raktár ebben a hónapban más termékeket rendezhet, mint tavaly. Egy gyár átrendezhet egy sort. Egy kórháznak új kezelésire vonatkozó szabályokra lehet szüksége az ellátóanyagoknál. Amikor a gép modellviselkedésen keresztül tud alkalmazkodni, a rendszer tovább őrzi az értékét.
Van egy stratégiai oka is annak, hogy sok vezető most már alapvető eszközként kezeli a fizikai MI-t. A munkaerő-kínálat egyenetlen a szektorok között. A termelékenységi nyereségek lelassultak azokban a helyeken, ahol a kézi kezelés még mindig dominál. Olyon gépek, amelyek átvehetik a strukturált, de munkaigényes munkát, segítenek kiküszöbölni ezt a szakadékot. Nem szüntetik meg az emberek szükségességét. Csökkentik azoknak a rutinlépéseknek a számát, amelyeket az embereknek el kell viselniük.
Egy kis példa világosan bemutatja ezt. Képzeljen el egy raktári folyosót a csúcsszezonban. Egy kirakodóvilla egy raklapot rossz helyre helyez. Egy rögzített útvonalvezetésre épített AGV megállhat vagy várhat. Egy AMR érzékeli a gátat, újraszámítja az útvonalát, és folytatja a munkát. Egy akadály不再 lesz teljes munkamegállás.
Ez a valódi tanulság a fizikai MI rendszerek mögött. Üzleti értékük nem csak egy látványos prototípustól származik. Abból fakad, hogy elérik azt a megbízhatósági szintet, ahol a gép kis súrlódással képes kezelni a valós világot. Miután ez megtörténik, az automatizálás a laboratóriumi bemutatóból az üzleti modell részévé válik.
Az EuroOp LLC úgy tekinti ezt, mint a legfontosabb mintát az alkalmazott MI-ban és automatizálásban: szimulációban tanulás, kapcsolódás a valós világhoz, feladat-sikeresség mérése, és a rendszer értékelése arról, mennyi munkát tud elvégezni állandó javítás nélkül. Az EuroOp Insights ugyanazt a gyakorlati utat követi, egy alkalmazott K+F mintával és egyértelmű tanulsággal az EuroOp termékei mögötti pipeline-ból.